开发者以 Apache-2.0 协议开源窄带 TTS 模型 Hurston-1，称其对美式英语表现良好，尤其擅长美国南方口音和地区性非裔英语口音。作者表示自 2021 年起收集了超过 2 万人的完全授权语音数据、共 100 万条录音。模型托管在 Hugging Face，作者所在公司 Destined AI 位于亚特兰大。
推荐理由需要非标准美式口音语音合成的开发者可直接取用，Apache-2.0 可商用，训练数据规模 100 万条录音。
巴黎语音 AI 公司 Gradium（从 Kyutai 分拆）开源端侧 TTS 模型系列 Phonon。英文版 Phonon 31m 采用 Apache 2.0 协议，q8 GGUF 文件仅 64.5 MB，输出 24 kHz 单声道音频，可在 CPU、手机、树莓派 5、浏览器（WASM/WebGPU）上运行，无需 GPU 和云端调用。CPU 上首帧音频延迟约 7 ms。在 Gradium 自测的 500 句困难集上 WER 为 1.70%，对比 Kokoro 的 3.50%；但在 Seed-TTS 评测集上 WE…
推荐理由64.5 MB 就能在手机和树莓派上离线跑 TTS，首帧 7 ms，做端侧语音应用可直接下载试用
Fish Audio 发布 Drama 3，一个 35B 总参数、每 token 约 3B 激活的 MoE 文本转语音模型，权重已上 Hugging Face 并接入官方 API。模型支持 83 种语言、单次请求最多 16 个说话人，可用括号内的自然语言指令控制语气，如 [barely holding it together]。FP8 推理需至少 48 GB 显存的单张 NVIDIA GPU，不支持 CPU、Apple MPS 和 AMD ROCm。在 Artificial Analysis 发音鲁棒性测试中总体 …
推荐理由开源可自托管，48 GB 显存即可跑，做有声书、配音和多人对话可直接换用
ElevenLabs 发布新一代语音模型 Eleven v4，支持 90 多种语言（v3 约 70 种），单次请求最长 1 万字符、约 10 分钟音频。新架构可分析脚本语气、节奏和上下文，笑声、耳语、关门声等音效生成更可靠，长内容中旁白和角色音色保持一致。面向实时语音 Agent 的 Turbo 变体约 150 毫秒开始出声，对比 Cartesia Sonic 3.6 的 262 毫秒和 OpenAI GPT-4o mini TTS 的 814 毫秒。发音基准得分 91.7%，v3 为 85.6%；盲测中约四分之三…
推荐理由做语音 Agent 可直接对比：Turbo 150 毫秒延迟、90+ 语言、10 秒克隆音色
ElevenLabs 发布 v4 和 v4 Turbo 两款语音模型，采用新架构，支持 90 多种语言（上一代 v3 为 70 种），仅需 10 秒音频即可克隆声音。v4 扩展了内联标签功能，支持叠加多个标签并按顺序执行，朗读长文本时能保持音色一致并根据文本语境调整表达。新模型延迟更低，可在后端 LLM 开始生成答案时同步生成音频，适合语音 Agent 场景。公司称日语、巴西葡萄牙语、普通话和粤语提升最明显。ElevenLabs 今年初完成 5 亿美元融资，估值 110 亿美元，年化收入从年初约 3.3 亿美元增至…
推荐理由做语音 Agent 或 TTS 的可以直接测：10 秒克隆、90 种语言、延迟更低，中文提升明显。
Google 推出两款 Gemini 3.8 Flash TTS 语音模型：标准版面向互动娱乐、游戏开发和长音频旁白，Flash-Lite 版面向自动配音、客服对话和高吞吐翻译。模型提供 100 多种语言、2000 多个预置音色，取代原有 30 个固定音色。在 Hume AI 语音设计基准上，标准版综合得分 71.4，口音建模 60.8 居首；Hume AI 整体质量指数中标准版第一、Lite 版第二。支持单脚本双人对话、多小时音频稳定输出，并可在文本中插入 <laughs>、<sigh> 等非语言标记。语音克隆需…
推荐理由做配音、有声书或语音 Agent 的可以直接换：2000+ 音色、100+ 语言，克隆需 30 秒样本加语音授权
Google 发布两款 Gemini Audio 系列语音模型：Gemini 3.8 Flash TTS 面向创意配音与角色设计，Flash-Lite TTS 面向高并发低成本生产，均通过 Gemini API 和 AI Studio 提供，仅 API 调用、不开源权重。新模型支持用自然语言逐句指导语气、节奏、方言，可从文本提示生成新音色，覆盖 100 多种语言和方言，并提供 2000+ 现成音色库。语音复刻需 30 秒样本和声音所有者口头同意录音，所有输出带 SynthID 水印。
推荐理由做配音、有声书或语音 Agent 的团队可直接换用，2000+ 音色库和逐句语气控制省去自建 TTS 的调参成本。
Google 推出 Gemini 3.8 Flash TTS 和 Flash-Lite TTS 两款语音生成模型。Flash TTS 支持用文字提示定义音色的角色、口音和声线特征，内置 2000 多种预设音色（含墨西哥西班牙语、魁北克法语、苏格兰英语等地区变体），支持 100 多种语言；用 30 秒音频样本即可克隆音色，但需被克隆者录制同意声明。两款模型均支持逐句舞台指示、双人对话模式，可生成数小时音频且说话人漂移极小。Flash-Lite 面向配音、音频内容和语音 Agent 的低成本规模化场景。所有生成音频带 …
推荐理由做语音 Agent 或配音的可以看：2000+ 预设音色、30 秒克隆、100+ 语言，还有实测暴露的杂音问题
Google DeepMind 推出两款文本转语音模型：Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS。前者面向角色设计与创作，可用自然语言提示从零生成全新声音，支持 100 多种语言和方言，提供 2000 多个成品音色，并可用 30 秒音频样本复刻音色；后者面向高并发、低成本的配音和语音 Agent 场景。两款模型已在 Google AI Studio、Gemini API、Gemini Enterprise、Gemini Notebook 和 Google Vi…
推荐理由做配音、有声书或语音 Agent 的可以直接用，30 秒样本复刻音色，2000+ 现成音色覆盖 100 多种语言